Oct, 2023

电 Ccortico 动态模态分解的快速准确可解释解码

PDF
TL;DR我们提出了一种将动态模式分解显式地转化为空间动态模式特征的映射函数，这些特征可以应用于任何机器学习算法，用于提高神经解码的准确性和计算时间，并具有更高的可解读性。
dynamic mode decompositionneural decodinggrassmann kernelelectrocorticographic signalssdm features
发现论文，激发创造
  • 利用动态模式分解在大规模神经记录中提取时空一致的模式

    本文以动态模态分解算法为基础，结合机器学习方法，研究人脑神经元的大规模信号记录及其体内活动，并通过睡眠肌阵振网络的提取，验证了该算法在脑神经元信号记录分析方面的高效性和适用性。

    Sep, 2014

  • 数据驱动的 ExB 等离子体动力模态分解的分析与降阶建模：I. 时空相干模式的提取

    通过引入 Dynamic Mode Decomposition (DMD) 算法，对电浆动力学的跨场 ExB 结构进行数据驱动分析和降阶建模，在高保真数据集上应用 DMD 算法，提取主导的时空模式并发现 OPT-DMD 方法能更可靠地重建基准值，以及通过揭示频谱的空间结构，为等离子现象的时空特性提供更全面、更易理解的信息。

    Aug, 2023

  • DeepGraphDMD: 非线性功能性脑网络动态的可解释时空分解

    本文介绍了一种基于动态模态分解 (Dynamic Mode Decomposition) 算法的扩展版本 GraphDMD，该算法以一种可解释的方式从 fMRI 时间序列中提取动态网络模态和它们的时间特征。作者还开发了 DeepGraphDMD，这是一种基于自动编码器的深度学习模型，用于学习任意非线性图动态系统的 Koopman 特征值，并将非线性图的动态嵌入潜在的线性空间。作者通过模拟和 HCP 静息态 fMRI 数据的实验结果表明了 DeepGraphDMD 方法的有效性，并发现了两个与流体智力和晶体智力相关的重要网络模态，这为认知脑功能提供了新的见解。

    Jun, 2023

  • 实时运动检测使用动态模态分解

    通过将时间序列数据拟合为线性动态系统，从而将动态数据分解为随时间按指数增长 / 衰减或具有固定振荡频率的空间相干模式的动态模态分解（DMD）是一种寻求的数值方法。我们提出了一种简单且可解释的基于 DMD 的流媒体视频数据运动检测算法，该算法利用了应用 DMD 到视频片段所产生的矩阵的特征值与重要视频特征（如前景运动）的演化之间的对应关系。我们将该方法应用于模拟在不同实际条件下的安全监控视频数据库，并使用接收器操作特性曲线进行效果分析，同时使用交叉验证来优化识别运动的阈值参数。

    May, 2024

  • 基于扩散模型的脑驱动表示学习

    运用扩散概率模型 (Denoising diffusion probabilistic models) 和条件自编码器构建的新方法，在分析与言语相关的脑电信号方面取得了令人瞩目的结果，优于传统机器学习算法和基准模型，显示出扩散概率模型在语音相关脑电信号分析中的潜力，这可能推动针对口头交流的脑机接口的重要进展。

    Nov, 2023

  • Diff-E：基于扩散的学习用于解码想象的言语脑电图

    通过使用 DDPMs 和条件自编码器 Diff-E 对 EEG 信号进行解码来实现想象语言，结果表明 Diff-E 相较于传统机器学习技术和基准模型，显著提高了解码 EEG 信号想象语言的准确性，这一发现表明 DDPMs 可以成为 EEG 信号解码的有效工具，具有潜在的用于通过想象语言进行交流的脑机接口的意义。

    Jul, 2023

  • 一种改进的变分模态分解算法对语音情感识别性能的影响

    提出了一种名为 VGG-optiVMD 的方法，通过对情感识别中的语音信号进行分解和特征提取，结合信号采样率和分解参数的精细调整，实现了在 Berlin EMO-DB 数据库上预测七种情绪的最新技术，达到了 96.09% 的准确率。

    Dec, 2023

  • 多分辨率动态模式分解

    通过将动态模分解（Dynamic mode decomposition，DMD）与多分辨率分析相结合，本文提出了一种分解方法，可以将复杂系统分解成一系列多分辨率时间尺度组件，从而有效解决动力学数据分离等问题，并且在多尺度动态数据的示例数据上展示了其出色的分解结果。

    Jun, 2015

  • 多分辨率双多项式分解方法，用于优化肌电控制系统中肌肉意图的刻画

    本文提出一种基于多项式插值的多分辨率分解技术以实现多类肌电信号的去噪和重建，该方法可增强信号质量和保留运动信息，有效应用于康复机器人和多功能义肢等实际场景中。

    Nov, 2022

  • 大气化学数据的优化动态模式分解重建和预测

    优化的动态模态分解算法用于构建自适应且具有高计算效率的全球大气化学动力学的降阶模型和预测工具，通过利用低维度的全球时空模态，可以计算出对应的可解释的空间和时间尺度特征，并通过线性模型实现预测。该方法在三个月的全球化学动力学数据上展示了其在计算速度和可解释性方面的显著性能，成功提取了大气化学的知名主要特征，如夏季地表污染和生物质燃烧活动，并且动态模态分解算法可以迅速重构基础线性模型，以适应非平稳数据和动态变化。

    Apr, 2024